elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

A machine learning examination of hydroxyl radical differences among model simulations for CCMI-1

Nicely, Julie M. und Duncan, Bryan N. und Hanisco, Thomas F. und Wolfe, Glenn M. und Salawitch, Ross J. und Deushi, Makoto und Haslerud, Amund S. und Jöckel, Patrick und Josse, Beatrice und Kinnison, Douglas E. und Klekociuk, Andrew R. und Manyin, Michael E. und Marécal, Virginie und Morgenstern, Olaf und Murray, Lee T. und Myhre, Gunnar und Oman, Luke D. und Pitari, Giovanni und Pozzer, Andrea und Quaglia, Ilaria und Revell, Laura E. und Rozanov, Eugene und Stenke, Andrea und Stone, Kane und Strahan, Susan und Tilmes, Simone und Tost, Holger und Westervelt, Daniel M. und Zeng, Guang (2020) A machine learning examination of hydroxyl radical differences among model simulations for CCMI-1. Atmospheric Chemistry and Physics (ACP), 20 (3), Seiten 1341-1361. Copernicus Publications. doi: 10.5194/acp-20-1341-2020. ISSN 1680-7316.

[img] PDF - Verlagsversion (veröffentlichte Fassung)
9MB

Offizielle URL: https://www.atmos-chem-phys.net/20/1341/2020/

Kurzfassung

The hydroxyl radical (OH) plays critical roles within the troposphere, such as determining the lifetime of methane (CH4), yet is challenging to model due to its fast cycling and dependence on a multitude of sources and sinks. As a result, the reasons for variations in OH and the resulting methane lifetime (τCH4), both between models and in time, are difficult to diagnose. We apply a neural network (NN) approach to address this issue within a group of models that participated in the Chemistry-Climate Model Initiative (CCMI). Analysis of the historical specified dynamics simulations performed for CCMI indicates that the primary drivers of τCH4 differences among 10 models are the flux of UV light to the troposphere (indicated by the photolysis frequency JO1D), the mixing ratio of tropospheric ozone (O3), the abundance of nitrogen oxides (NOx≡NO+NO2), and details of the various chemical mechanisms that drive OH. Water vapour, carbon monoxide (CO), the ratio of NO:NOx, and formaldehyde (HCHO) explain moderate differences in τCH4, while isoprene, methane, the photolysis frequency of NO2 by visible light (JNO2), overhead ozone column, and temperature account for little to no model variation in τCH4. We also apply the NNs to analysis of temporal trends in OH from 1980 to 2015. All models that participated in the specified dynamics historical simulation for CCMI demonstrate a decline in τCH4 during the analysed timeframe. The significant contributors to this trend, in order of importance, are tropospheric O3, JO1D, NOx, and H2O, with CO also causing substantial interannual variability in OH burden. Finally, the identified trends in τCH4 are compared to calculated trends in the tropospheric mean OH concentration from previous work, based on analysis of observations. The comparison reveals a robust result for the effect of rising water vapour on OH and τCH4, imparting an increasing and decreasing trend of about 0.5 % decade−1, respectively. The responses due to NOx, ozone column, and temperature are also in reasonably good agreement between the two studies.

elib-URL des Eintrags:https://elib.dlr.de/134054/
Dokumentart:Zeitschriftenbeitrag
Titel:A machine learning examination of hydroxyl radical differences among model simulations for CCMI-1
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Nicely, Julie M.Univ. of Maryland, College Park, MD, USAhttps://orcid.org/0000-0003-4828-0032NICHT SPEZIFIZIERT
Duncan, Bryan N.NASA Goddard, Greenbelt, MD, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hanisco, Thomas F.NASA Goddard, Greenbelt, MD, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Wolfe, Glenn M.NASA Goddard, Greenbelt, MD, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Salawitch, Ross J.Univ. of Maryland, College Park, MD, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Deushi, MakotoMRI, Tsukuba, JapanNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Haslerud, Amund S.CICERO, OSLO, Norwegenhttps://orcid.org/0000-0002-3812-3837NICHT SPEZIFIZIERT
Jöckel, PatrickDLR, IPAhttps://orcid.org/0000-0002-8964-1394NICHT SPEZIFIZIERT
Josse, BeatriceCNRM, Toulouse, FrankreichNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kinnison, Douglas E.NCAR, Boulder, CO, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Klekociuk, Andrew R.Australian Antarctic Division, Hobart, AustralienNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Manyin, Michael E.NASA Goddard, Greenbelt, MD, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Marécal, VirginieCNRM, Toulouse, FrankreichNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Morgenstern, OlafNIWA, Wellington, New Zealandhttps://orcid.org/0000-0002-9967-9740NICHT SPEZIFIZIERT
Murray, Lee T.Univ. Rochester, NY, USAhttps://orcid.org/0000-0002-3447-3952NICHT SPEZIFIZIERT
Myhre, GunnarCICERO, OSLO, Norwegenhttps://orcid.org/0000-0002-4309-476XNICHT SPEZIFIZIERT
Oman, Luke D.NASA Goddard, Green Belt, MD, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Pitari, GiovanniUniv. dell' Aquila, ItalienNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Pozzer, AndreaMPI-Chemie, Mainzhttps://orcid.org/0000-0003-2440-6104NICHT SPEZIFIZIERT
Quaglia, IlariaUniv. dell' Aquila, ItalienNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Revell, Laura E.Univ. Canterbury, Christchurch, Neuseelandhttps://orcid.org/0000-0002-8974-7703NICHT SPEZIFIZIERT
Rozanov, EugeneETH Zürich und PMOD, Davos, SchweizNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Stenke, AndreaETH Zürich, Schweizhttps://orcid.org/0000-0002-5916-4013NICHT SPEZIFIZIERT
Stone, KaneUniv. Melbourne, Australiahttps://orcid.org/0000-0002-2721-8785NICHT SPEZIFIZIERT
Strahan, SusanNASA Goddard, Greenbelt, MD, USAhttps://orcid.org/0000-0002-7511-4577NICHT SPEZIFIZIERT
Tilmes, SimoneNCAR, Boulder, USANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Tost, HolgerUniv. Mainzhttps://orcid.org/0000-0002-3105-4306NICHT SPEZIFIZIERT
Westervelt, Daniel M.Columbia Univ., Palisades, NY, USAhttps://orcid.org/0000-0003-0806-9961NICHT SPEZIFIZIERT
Zeng, GuangNIWA, Wellington, New Zealandhttps://orcid.org/0000-0002-9356-5021NICHT SPEZIFIZIERT
Datum:5 Februar 2020
Erschienen in:Atmospheric Chemistry and Physics (ACP)
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Ja
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:20
DOI:10.5194/acp-20-1341-2020
Seitenbereich:Seiten 1341-1361
Verlag:Copernicus Publications
ISSN:1680-7316
Status:veröffentlicht
Stichwörter:neural network, machine learning, EMAC, CCMI, MESSy, hydroxyl radical, methane lifetime
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Projekt Klimarelevanz von atmosphärischen Spurengasen, Aerosolen und Wolken, R - Atmosphären- und Klimaforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Physik der Atmosphäre > Erdsystem-Modellierung
Hinterlegt von: Jöckel, Dr. Patrick
Hinterlegt am:11 Feb 2020 12:05
Letzte Änderung:11 Feb 2020 12:05

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.